亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

【導讀】首篇深度強化學習推薦系統綜述論文，值的關注!

摘要

鑒于深度強化學習(DRL)在推薦系統研究中的出現，以及近年來取得的豐碩成果，本研究旨在對深度強化學習在推薦系統中的最新發展趨勢提供一個及時而全面的概述。我們從在推薦系統中應用DRL的動機開始。然后，我們給出了當前基于DRL的推薦系統的分類，并對現有的方法進行了總結。我們討論新出現的話題和未決的問題，并提供我們推進該領域的觀點。本綜述為來自學術界和工業界的讀者提供了入門材料，并確定了進一步研究的顯著機會。

引言

近年來，推薦技術有了長足的發展，從傳統的協同過濾、基于內容的推薦、矩陣分解等推薦技術[62]，到基于深度學習的推薦技術。特別是深度學習在解決復雜任務和處理復雜數據方面具有很強的優勢，因為深度學習能夠捕捉非線性的用戶-項目關系，能夠處理圖像、文本等各種類型的數據源。因此，它在推薦系統中得到了越來越多的應用。由于分布的變化，基于深度學習的推薦系統在捕獲興趣動態方面存在局限性[17,115]，即訓練階段基于現有的數據集，這可能不能反映真實的用戶喜好，而用戶的喜好變化很快。而深度強化學習(deep reinforcement learning, DRL)的目標是將深度學習和強化學習的力量結合起來，訓練出一種能夠從環境提供的交互軌跡中學習的agent。由于DRL中的agent可以主動從用戶的實時反饋中學習，從而推斷出用戶的動態偏好，因此DRL特別適合于從交互中學習，如人-機器人協作; 它還推動了一系列互動應用的顯著進步，從視頻游戲、Alpha Go到自動駕駛[3]。鑒于DRL對推薦系統的重要性和最近的進展，我們旨在在本次綜述中及時總結和評論基于DRL的推薦系統。

最近的一項基于強化學習的推薦系統[2]綜述了推薦系統中的強化學習，但沒有對日益增長的深度強化學習領域進行復雜的研究。我們綜述重點在于系統全面地概述了基于DRL的推薦系統中的現有方法，并討論了新出現的主題、未決問題和未來的方向。這項綜述介紹了研究人員，實踐者和教育工作者到這個主題，并促進了對該領域的關鍵技術的理解。

這項綜述的主要貢獻包括:

• 我們提供關于推薦系統中深度強化學習的最新綜合綜述，具有最先進的技術和指向核心參考文獻的指針。據我們所知，這是基于深度強化學習的推薦系統的第一個全面綜述。

• 我們給出了推薦系統中深度強化學習的文獻分類。在概述分類和文獻綜述的同時，我們討論了其優缺點，并對未來的研究方向提出了建議。

• 我們闡明了基于DRL的推薦系統的新興主題和開放問題。我們還指出了未來發展方向，這對推進基于DRL的推薦系統至關重要。

本綜述的其余部分組織如下: 第2節概述了推薦系統、DRL及其集成。第3節提供了一個分類和分類機制的文獻綜述。第4節回顧了出現的話題，第5節指出了未解決的問題。最后，第6節為這一領域的進一步發展提供了一些有前景的未來方向。

推薦系統能夠為每個用戶提供個性化的建議，已經成為緩解我們日常生活中信息過載問題不可或缺的工具，尤其是在許多面向用戶的在線服務中。它不僅方便了用戶尋找信息，也讓內容提供者有了更多的盈利潛力。近年來，在深度神經網絡(DNNs)的成功推動下，推薦技術在DNNs范式下取得了良好的性能。然而，現有的基于DNN的方法在實踐中存在一些缺陷。更具體地說，它們將每個交互視為一個單獨的數據實例，并忽略實例之間的關系。同時，他們將推薦過程視為一個靜態過程，采用固定的貪婪策略進行推薦。此外，大多數現有的基于DNN的推薦系統都是基于手工制作的特征、超參數和深度神經網絡架構。此外，大多數現有的深度推薦系統都容易受到對抗性攻擊。

在本教程中，我們旨在全面綜述在深度推薦系統中解決上述問題的先進技術的最新進展，包括圖神經網絡(GNNs)、深度強化學習(DRL)和自動機器學習(AutoML)。同時，我們將為推薦系統引入對抗性攻擊。通過這種方式，我們希望來自三個領域的研究人員對空間有一個深入的理解和準確的洞察，激發更多的想法和討論，并在推薦中推廣技術。

//lovvge.github.io/Forecasting-Tutorial-IJCAI-2021/

目錄:

Introduction 導論 Fundamentals of Deep Recommender Systems 深度推薦系統基礎 Reinforcement Learning for Recommender Systems 強化學習推薦系統 Graph Neural Networks for Recommendations 圖神經網絡推薦 Automated Machine Learning (AutoML) for Recommendations 自動機器學習推薦 Adversarial Attacks for Recommender Systems 推薦系統對抗攻擊 Deep Recommendations: Future Directions (Trustworthy RecSys) 深度推薦未來

推薦系統在我們的日常生活中發揮著越來越重要的作用，特別是在許多以用戶為導向的在線服務中，推薦系統在緩解信息過載問題方面發揮著重要作用。推薦系統的目標是通過利用用戶和物品的交互來提高匹配的準確性，識別出一組最符合用戶顯性或隱性偏好的對象(即物品)。

隨著深度神經網絡(DNNs)在過去幾十年的快速發展，推薦技術已經取得了良好的性能。然而，現有的基于DNN的方法在實踐中存在一些缺陷。更具體地說，他們認為推薦過程是一個靜態的過程，并按照一個固定的貪心策略進行推薦; 現有的大多數基于DNN的推薦系統都是基于手工制作的超參數和深度神經網絡架構;它們將每個交互視為單獨的數據實例，而忽略了實例之間的關系。

在本教程中，我們將全面介紹深度推薦系統中解決上述問題的先進技術的最新進展，包括深度強化學習(DRL)、自動機器學習(AutoML)和圖神經網絡(GNN)。

通過這種方式，我們希望這三個領域的研究人員能夠對空間有更深刻的理解和準確的洞察，激發更多的想法和討論，促進推薦技術的發展。

//deeprs-tutorial.github.io/

2021年第14屆國際網絡搜索與數據挖掘會議WSDM將在2021年3月8日到12日于線上舉行。今年此次會議共收到了603份有效投稿，最終錄取篇數為112篇，錄取率為18.6%。在WSDM上，有關于《偏見感知推薦系統的進展》教程值得關注！

排名和推薦系統在當今的網絡平臺上扮演著關鍵角色，肯定會影響到大量用戶的信息搜索行為。然而，這些系統是根據經常傳遞不平衡和不平等的數據進行訓練的，這些模式可能在系統提供給最終用戶的結果中被捕捉和強調，從而產生偏見，提供不公平的結果。鑒于偏見信息尋求成為一個威脅,

(1) 研究跨學科概念和問題空間,

(2) 制定和設計一個bias-aware算法管道,和

(3)和減輕落地的偏見的影響,同時保留底層系統的有效性,正在迅速成為熱門的研究熱點。

本教程是圍繞這個主題組織的，向WSDM社區介紹了在評估和緩解推薦系統中的數據和算法偏差方面的最新進展。我們將首先介紹概念基礎，通過調研當前的技術狀態和描述真實世界的例子，從幾個角度(例如，倫理和系統的目標)偏見如何影響推薦算法。

本教程將繼續系統地介紹算法解決方案，以便在推薦設計過程中發現、評估和減少偏見。然后，一個實用的部分將向與會者提供處理前、處理中和處理后消除偏見算法的具體實現，利用開源工具和公共數據集。在本部分中，教程參與者將參與偏倚對策的設計，并闡明對利益相關者的影響。最后，我們將分析這個充滿活力和迅速發展的研究領域中出現的開放問題和未來的方向，從而結束本教程。

//biasinrecsys.github.io/wsdm2021/

第14屆推薦系統頂級會議ACM RecSys在9月22日到26日在線舉行。來自意大利Polytechnic University of Turin做了關于對抗推薦系統的教程《Adversarial Learning for Recommendation: Applications for Security and Generative Tasks – Concept to Code》，186頁ppt，干貨內容，值得關注。

//recsys.acm.org/recsys20/tutorials/#content-tab-1-3-tab

對抗式機器學習(AML)是從識別計算機視覺任務中的漏洞(如圖像分類)開始，研究現代機器學習(ML)推薦系統中的安全問題的研究領域。

在本教程中，我們將全面概述AML技術在雙重分類中的應用:(i)用于攻擊/防御目的的AML，以及(ii)用于構建基于GAN的推薦模型的AML。此外，我們將把RS中的AML表示與兩個實際操作會話(分別針對前面的分類)集成在一起，以顯示AML應用程序的有效性，并在許多推薦任務中推進新的想法和進展。

本教程分為四個部分。首先，我們總結了目前最先進的推薦模型，包括深度學習模型，并定義了AML的基本原理。在此基礎上，我們提出了針對RSs的攻擊/防御策略的對抗性推薦框架和基于GAN實踐環節。最后，我們總結了這兩種應用的開放挑戰和可能的未來工作。

在當今的信息和計算社會中，復雜系統常常被建模為與異質結構關系、非結構化屬性/內容、時間上下文或它們的組合相關聯的多模態網絡。多模態網絡中豐富的信息要求在進行特征工程時既要有一個領域的理解，又要有一個大的探索性搜索空間，以建立針對不同目的的定制化智能解決方案。因此，在多模態網絡中，通過表示學習自動發現特征已成為許多應用的必要。在本教程中，我們系統地回顧了多模態網絡表示學習的領域，包括一系列最近的方法和應用。這些方法將分別從無監督、半監督和監督學習的角度進行分類和介紹，并分別給出相應的實際應用。最后，我們總結了本教程并進行了公開討論。本教程的作者是這一領域活躍且富有成效的研究人員。

//chuxuzhang.github.io/KDD20_Tutorial.html

• Part 1: Introduction and Overview 導論與概述 (Nitesh Chawla) (1:00-1:10pm) [slide] [video]
• Part 2: Supervised Methods and Applications 監督方法與應用 2-1: User and behavior modeling (Meng Jiang) (1:10-1- :50pm) [slide] [video] 2-2: Cybersecurity and health intelligence (Yanfang Ye) (1:50-2:20pm) [slide] [video] 2-3: Relation learning (Chuxu Zhang) (2:20-2:35pm) [slide] [video] Coffee Break (2:35-3:00pm)
• Part 3: Semi-supervised Methods and Applications 半監督方法與應用 3-1: Attributed network embedding (Xiangliang Zhang) (3:00-3:25pm) [slide] [video] 3-2: Graph alignment (Xiangliang Zhang) (3:25-3:40pm) [slide] [video]
• Part 4: Unsupervised Methods and Applications 無監督方法與應用 4-1: Heterogeneous graph representation learning (Chuxu Zhang) (3:40-4:00pm) [slide] [video] 4-2: Graph neural network for dynamic graph and unsupervised anomaly detection (Meng Jiang) (4:00-4:20pm) [slide] [video] Part 5: Conclusions (Chuxu Zhang) (4:20-5:00pm) [slide] [video] 結論

** 簡介：**

推薦方法構造了預測模型，以估計用戶與項目交互的可能性。先前的模型在很大程度上遵循一般的監督學習范式-將每個交互視為一個單獨的數據實例，并基于“信息孤島”進行預測。但是，此類方法忽略了數據實例之間的關系，這可能導致性能欠佳，尤其是對于稀疏場景。此外，建立在單獨數據實例上的模型幾乎無法顯示出推薦背后的原因，從而使過程難以理解。

在本教程中，我們將從圖學習的角度重新審視推薦問題。可以將用于推薦的通用數據源組織成圖形，例如用戶-項目交互（二分圖），社交網絡，項目知識圖（異構圖）等。這種基于圖的組織將孤立的數據實例連接起來，從而為利用高階連通性帶來了好處，這些高階連通性對有意義的模式進行了編碼，以進行協作過濾，基于內容的過濾，社會影響力建模和知識感知推理。結合圖神經網絡（GNN）的最新成功，基于圖的模型已展現出成為下一代推薦系統技術的潛力。本教程對基于圖的學??習方法進行了回顧，以提出建議，特別關注GNN的最新發展和知識圖譜增強的建議。通過在本教程中介紹這個新興而有前途的領域，我們希望觀眾可以對空間有深入的了解和準確的見解，激發更多的想法和討論，并促進技術的發展。

目錄：

作者簡介：

王翔是新加坡國立大學（NUS）計算機學院的研究員。 他獲得了博士學位。 他于2019年獲得國大計算機科學博士學位。他的研究興趣包括推薦系統，信息檢索和數據挖掘。 在SIGIR，KDD，WWW和AAAI等頂級會議上，他擁有20多種出版物，包括TOIS和TKDE等期刊。 他曾擔任CCIS 2019的本地主席，包括SIGIR，CIKM和MM在內的頂級會議的PC成員以及TKDE和TOIS等著名期刊的定期審稿人。